Background Given the anti-inflammatory properties of colchicine, its role in preventing Postoperative atrial fibrillation (POAF) remains unclear. This study aimed to evaluate the efficacy and safety o...

YouTube video by CBS Miami

Atrial fibrillation (AF) is the most common serious cardiac arrhythmia in the perioperative period. The prevalence of postoperative AF (POAF) varies, depending on the type of surgery. Postoperative at...

YouTube video by AHI

Preventing post-operative atrial fibrillation (POAF) as one of the most significant complications of cardiovascular surgeries remains a major clinical…

Postoperative atrial fibrillation (POAF) is the most common complication after cardiac surgery and a

Cardiac tamponade and postoperative atrial fibrillation (POAF) remain significant challenges after cardiac surgery, contributing to higher morbidity, mortality, and healthcare costs. Posterior pericar...

Heart surgery arrhythmia? Study finds age, low LVEF, POAF raise late AF risk—no clear link to worse outcomes. #CABG #AtrialFibrillation

YouTube video by Chamuco Media

The objective of this study was to determine predictors of postoperative atrial fibrillation (POAF) among coronary artery bypass graft (CABG) patients. This meta-analysis was conducted as per the guid...

YouTube video by Adam Mockler

## Sommaire * Agile et SAFe suffisent-ils pour gouverner des systèmes IA critiques ? * Où Agile marche très bien… et où il montre ses limites * SAFe : Agile à grande échelle… mais toujours centré livraison * Pourquoi l'IA change vraiment la donne * L’idée derrière D-POAF * Exemple concret (très simplifié) * Comparaison rapide * Ce qu’on a observé sur le terrain * Pour ceux que ça intéresse * Questions ouvertes ## Agile et SAFe suffisent-ils pour gouverner des systèmes IA critiques ? Ces dernières années, on a beaucoup appris à livrer du logiciel vite. Scrum, Kanban, CI/CD, DevOps… Puis, quand les équipes ont grossi, SAFe, LeSS, Spotify model, etc. Franchement, sur des produits web "classiques", ça marche plutôt bien : on itère, on déploie souvent, on corrige vite. Mais depuis quelque temps, en travaillant sur des projets intégrant de l’IA (modèles de décision, scoring, automatisation métier), on s’est retrouvé face à un problème que ni Agile ni SAFe ne couvraient vraiment : > livrer vite ne suffit plus, il faut aussi **prouver**. Prouver que ça marche. Prouver que ça apporte de la valeur. Prouver que c’est fiable dans le temps. Et surtout : pouvoir expliquer **qui a décidé quoi, et pourquoi**. Bref : auditabilité, traçabilité, responsabilité. C’est ce constat qui nous a amenés à expérimenter une approche plus "proof-driven", que nous avons formalisée dans un cadre méthodologique open source appelé **D-POAF** (Decentralized Proof-Oriented AI Framework). Je partage ici un retour d’expérience et une comparaison avec Agile et SAFe, histoire d’ouvrir la discussion. * * * ## Où Agile marche très bien… et où il montre ses limites Je précise : je ne tape pas sur Agile. Pour des équipes petites à moyennes, c’est excellent pour : - itérer vite - réduire le gaspillage - rester proche du besoin - éviter la doc inutile Mais Agile est surtout **orienté flux de livraison**. Une user story passe en _Done_ parce que : - le code compile - les tests passent - le PO valide Très bien. Mais si on pose des questions comme : - peut-on démontrer objectivement la valeur produite ? - peut-on tracer toutes les décisions importantes ? - peut-on auditer le système 6 mois plus tard ? - qui est responsable si le modèle dérive ou discrimine ? … Agile n’a pas vraiment de réponse native. Ce n’est pas un défaut : ce n’était juste pas son objectif. * * * ## SAFe : Agile à grande échelle… mais toujours centré livraison Avec plusieurs centaines de personnes, Agile "pur" casse un peu. Donc arrive **SAFe** , proposé par **Scaled Agile** , qui ajoute : - coordination multi-équipes - planning trimestriel (PI planning) - gouvernance portefeuille - reporting - gestion des dépendances Ça aide clairement à organiser le bazar. Mais au final, ça reste : - très process - très organisationnel - très déclaratif On a plus de tableaux, plus de rôles, plus de cérémonies… mais pas forcément plus de **preuves vérifiables côté technique**. On sait _qui fait quoi_. On sait moins _ce qui est réellement démontré_. Pour de l’IT classique, ça passe. Pour de l'IA critique (fraude, santé, décision automatique, conformité réglementaire), ça commence à coincer. * * * ## Pourquoi l'IA change vraiment la donne Avec du code classique, le comportement est déterministe : même entrée → même sortie. Avec l'IA/ML : - le comportement dépend des données - les données évoluent - le modèle dérive (drift) - la performance peut chuter silencieusement - les impacts peuvent être juridiques ou éthiques Du coup la question n'est plus seulement : > "est-ce que ça marche aujourd’hui ?" mais plutôt : > "pouvons-nous démontrer que ça marche, que ça reste fiable, et que quelqu’un en assume la responsabilité ?" Et là, les méthodes centrées uniquement sur la vélocité montrent leurs limites. * * * ## L’idée derrière D-POAF D-POAF n’est ni un outil, ni une librairie, ni un "framework de code". C’est plutôt un **cadre méthodologique**. L’idée de base est simple : > chaque étape du cycle de vie doit produire des preuves vérifiables. On distingue par exemple trois types de preuves : * **Proof of Delivery (PoD)** : l’artefact existe vraiment (build, modèle, doc, etc.) * **Proof of Value (PoV)** : il apporte la valeur attendue (métriques métier mesurées) * **Proof of Reliability (PoR)** : il reste fiable dans le temps (monitoring, drift, incidents) Si on n’a pas de preuve tangible… ce n’est pas vraiment "done". Autre point important : la gouvernance n’est pas "au-dessus", elle est intégrée au flux. Chaque décision significative doit être : - tracée - justifiée - attribuée à un responsable humain Même si une IA participe à l’exécution. * * * ## Exemple concret (très simplifié) Prenons un modèle de détection de fraude. Approche classique : - on entraîne - on déploie - on regarde la précision - on espère que ça tient Approche proof-driven : - PoD : version du modèle + dataset versionné + hash - PoV : réduction mesurée du taux de fraude réel - PoR : monitoring drift + alertes + seuils + réévaluations périodiques - décisions documentées : qui valide le déploiement, sur quels critères ? Ça paraît du bon sens. Mais dans la pratique, ce n’est presque jamais formalisé proprement. * * * ## Comparaison rapide Aspect | Agile | SAFe | D-POAF ---|---|---|--- Focus principal | vitesse | coordination | preuve & gouvernance Orientation | itération | organisation | traçabilité Gouvernance | minimale | managériale | intégrée au flux Auditabilité | faible | documentaire | vérifiable IA critique | partiel | partiel | natif L’idée n’est pas de remplacer Agile ou SAFe. Plutôt de compléter ce qu’ils ne couvrent pas : la dimension **assurance / preuve / responsabilité**. * * * ## Ce qu’on a observé sur le terrain Quelques effets intéressants : * discussions plus factuelles (moins d’opinions, plus de métriques) * audits beaucoup plus simples * décisions mieux assumées * meilleure compréhension des risques Et côté négatif : - plus de rigueur - plus de discipline - impossible de "faire confiance au process" sans preuves Bref, c’est moins confortable… mais plus robuste. * * * ## Pour ceux que ça intéresse On a documenté tout ça en open source : - spécification - guide méthodologique - Map conceptuelle - terminologie - templates Ressources : - https://d-poaf.org/d-poaf-framework-map/ - https://github.com/INOVIONIX/D-POAF Ce n’est pas une méthode miracle, juste une tentative d’adresser un angle mort qu’on rencontrait souvent sur des projets IA. * * * ## Questions ouvertes Je suis surtout preneuse de retours critiques : * est-ce que ça vous paraît trop lourd / bureaucratique ? * redondant avec ISO/ITIL/DevOps existants ? * utile uniquement en contexte réglementé ? * ou au contraire pertinent plus largement ? Curieuse d’avoir vos avis et contre-exemples.